- Información general
- Primeros pasos
- Actividades
- Paneles de insights
- Proceso de Document Understanding
- Tutoriales de inicio rápido
- Componentes de marco
- Información general
- Actividades de Document Understanding
- Resumen de la clasificación de documentos
- Asistente para Configurar clasificadores de Clasificar ámbito de documento
- Clasificador inteligente de palabra clave
- Clasificador basado en palabras clave
- Clasificador de aprendizaje automático
- Clasificador generativo
- Actividades relacionadas con la clasificación de documentos
- Consumo de datos
- Llamadas a API
- Paquetes ML
- Información general
- Document Understanding - Paquete ML
- DocumentClassifier: paquete ML
- Paquetes ML con capacidades OCR
- 1040: paquete ML
- 1040 Anexo C - Paquete ML
- 1040 Anexo D - Paquete ML
- 1040 Anexo E - Paquete ML
- 1040x: paquete ML
- 3949a: paquete ML
- 4506T: paquete ML
- 709: paquete ML
- 941x: paquete ML
- 9465: paquete ML
- ACORD131 - Paquete ML
- ACORD140 - Paquete ML
- ACORD25 - Paquete ML
- Extractos bancarios: paquete ML
- Conocimientos de embarque: paquete ML
- Certificado de incorporación: paquete ML
- Certificado de origen: paquete ML
- Cheques: paquete ML
- Certificado de producto secundario: paquete ML
- CMS1500 - Paquete ML
- Declaración de conformidad de la UE: Paquete ML
- Estados financieros: paquete ML
- FM1003: paquete ML
- I9 - Paquete ML
- Documentos de identidad: paquete ML
- Facturas: paquete ML
- FacturasAustralia: paquete ML
- FacturasChina - Paquete ML
- Facturas en hebreo: paquete ML
- FacturasIndia - Paquete ML
- FacturasJapón - Paquete ML
- Envío de facturas: paquete ML
- Listas de embalaje: paquete ML
- Nóminas - - Paquete ML
- Pasaportes: paquete ML
- Órdenes de compra: paquete ML
- Recibos: paquete ML
- ConsejosDeRemesas: paquete ML
- UB04 - Paquete ML
- Facturas de servicios públicos: paquete ML
- Títulos de vehículos: paquete ML
- W2 - Paquete ML
- W9 - Paquete ML
- Otros paquetes ML listos para usar
- Puntos finales públicos
- Limitaciones de tráfico
- Configuración de OCR
- Procesos
- Servicios de OCR
- Idiomas admitidos
- Aprendizaje profundo
- Licencia
Guía del usuario de Document Understanding
Clasificador basado en palabras clave
El Clasificador basado en palabras claves es un clasificador sencillo que busca secuencias de strings que se repiten dentro de un archivo dado, con el fin de realizar la clasificación de documentos.
El algoritmo se crea en torno al concepto de títulos de documentos y parte de la premisa de que el aspecto de los tipos de documentos con títulos suele tener una variación relativamente baja en los documentos.
Al clasificar un archivo en un tipo de documento, el clasificador basado en palabras claves:
-
encuentra la mejor string o colección de string coincidentes, a partir de sus datos de aprendizaje, que se aplica a un tipo de documento de la taxonomía. La confianza se calcula en función de:
- la proximidad de la coincidencia con el principio del documento,
- cuántas veces han confirmado la coincidencia los trabajadores y ha sido reforzada en los datos de aprendizaje.
- informa sobre el tipo de documento con mayor puntuación, con la configuración de coincidencia subyacente.
El clasificador basado en palabras claves puede trabajar con una sola entrada de string (una string que se considera como una entrada en los datos de aprendizaje que usa el clasificador), o con una entrada que contiene múltiples strings (dos o más strings que forman una sola entrada). En caso de que haya varias strings, el clasificador aplica el algoritmo de concordancia a cada una de ellas por separado y, a continuación, calcula una media simple de las confidencias de las coincidencias identificadas.
Pongamos el ejemplo siguiente:
- si una entrada contiene una sola string, por ejemplo, «esta es mi coincidencia», el Clasificador basado en palabras claves busca y califica esta string como posible coincidencia del tipo de documento (según el tipo de documento al que se atribuya la string).
- si una entrada contiene tres strings, por ejemplo, [«esta es una coincidencia», «se necesitan más pruebas para filtrar», «otra más»], entonces el Clasificador basado en palabras clave busca y califica cada una de las tres strings, y luego calcula un promedio simple de las confidencias de coincidencia para la presentación de informes.
El conjunto de palabras claves puede definirse dentro de una línea o usando varias líneas. Cuando se establece dentro de una línea, identifica la entrada dada. Por ejemplo, si x, y, y z se enumeran como palabras claves, entonces la búsqueda está buscando x e y y z.
Tener varias líneas definidas significa que la búsqueda busca las palabras claves enumeradas en la primera línea, o en la segunda, o en la tercera, hasta que cubre todas las líneas e identifica las mejores coincidencias, aumentando así la puntuación de confianza por el simple hecho de haber identificado más coincidencias de más palabras claves disponibles.
Deberías plantearte el uso de este clasificador si:
- tus archivos contienen un solo tipo de documento cada uno (por lo que no es necesario dividir los archivos);
- tus expedientes contienen pruebas relacionadas con el tipo de documento en las tres primeras páginas del expediente.
No hay requisitos especiales para usar el clasificador basado en palabras claves.
Para obtener más información sobre cómo entrenar un Clasificador, consulta esta página que describe el proceso de uso del asistente para la Gestión del aprendizaje.
